论文页面 - AI 驱动、时序感知的功耗优化

来源：https://huggingface.co/papers/2610.18890

摘要

一种 AI 驱动的框架利用学习得到的排序和确定性 EDA 分析，在控制修复成本并保持时序、电气和物理约束的同时，实现布线后的功耗回收。

布线后的功耗回收 (https://huggingface.co/papers?q=power%20recovery) 会在紧密耦合的时序、电气和物理约束下调整单元选择，而每项调整的价值取决于修复其副作用所需的成本。我们提出了一种 AI 驱动的框架，其中学习模型驱动优化的两个阶段：它对待尝试的功耗回收修改及后续修复操作进行排序，而确定性电子设计自动化 (EDA) (https://huggingface.co/papers?q=electronic%20design%20automation%20(EDA)) 分析决定每次操作是否被接受。该框架记录基线约束裕量，识别一次回收事务在各个分析视图中引入的损害，将已有违规维持在基线水平，而不在功耗优化步骤中处理这些违规，并将修复开销限制为实测节省量的一定比例。一个梯度提升模型 (https://huggingface.co/papers?q=gradient-boosted%20models) 集成 (https://huggingface.co/papers?q=ensemble) 根据每次试验前可获取的操作特征和时序上下文特征 (https://huggingface.co/papers?q=timing-context%20features)，预测功耗变化、归一化损害减少量以及约束退化风险 (https://huggingface.co/papers?q=constraint-regression%20risk)；经过校准的保守估计用于分别计算回收与修复的采集评分 (https://huggingface.co/papers?q=acquisition%20scores)，当模型不确定时则采用确定性后备方案。在物理实现 (https://huggingface.co/papers?q=physical%20implementation) 和重新分析确认基线得以保持且净节省为正之前，回收与修复操作均处于试探状态。我们详细规定了约束契约、学习策略、事务流程，以及针对开放设计预先注册的公开评估方案。一项针对公开设计的配套研究所提供的证据支持该契约；学习策略目前仅为提案，本文未报告任何已训练模型的结果或专有设计的测量数据。

查看 arXiv 页面 (https://arxiv.org/abs/2610.18890)查看 PDF (https://arxiv.org/pdf/2610.18890)添加到合集 (https://huggingface.co/login?next=%2Fpapers%2F2610.18890)

在你的智能体中获取这篇论文：

hf papers read 2610\.18890

还没有最新版 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用这篇论文的模型 0

没有关联这篇论文的模型

在模型的 README.md 中引用 arxiv.org/abs/2610.18890，即可从本页面链接到该模型。

引用这篇论文的数据集 0

没有关联这篇论文的数据集

在数据集的 README.md 中引用 arxiv.org/abs/2610.18890，即可从本页面链接到该数据集。

引用这篇论文的 Space 0

没有关联这篇论文的 Space

在 Space 的 README.md 中引用 arxiv.org/abs/2610.18890，即可从本页面链接到该 Space。

包含这篇论文的合集 0

没有包含这篇论文的合集

将这篇论文添加到合集 (https://huggingface.co/new-collection)，即可从本页面链接到该合集。